Überwachtes Lernen mit unbalancierten Datenmengen für die optische Fehlerdetektion in industriellen Produktionsprozessen

In dieser Arbeit wird das Problem der Klassifikation von unbalancierten Datenmengen mittels eines überwachten Lernens von Klassifikatoren in Verbindung mit der optischen Fehlerdetektion in industriellen Produktionsprozessen behandelt. Den praktischen Rahmen liefert die Entwicklung eines neuartigen Systems zur Qualitätsprüfung von Laserlötnähten. Der Fokus wird dabei auf die Detektion von sporadisch auftretenden, seltenen Nahtfehlern gelegt. Aufgrund der Seltenheit solcher Daten stellt sich die Frage, wie mit nur wenigen dokumentierten Fehlern eine möglichst robuste automatische Beurteilung mittels eines zu trainierenden Klassifikators realisiert werden kann.
Für dieses Problem werden in dieser Arbeit neuartige Verfahren vorgestellt, die auf unterschiedlichen Ebenen arbeiten. Diese Verfahren haben alle gemeinsam, dass sie auf der Approximation der Wahrscheinlichkeitsdichtefunktionen der einzelnen Klassen beruhen. Dafür werden Gaußsche Mischmodelle eingesetzt, wobei insbesondere für die unterrepräsentierte Klasse adaptive Modelle approximiert werden, um auch Verteilungen für Fälle mit sehr wenigen Daten modellieren zu können. Basierend auf diesem Prinzip werden Verfahren auf Algorithmen- bzw. Klassifikatorebene sowie auf Datenebene vorgestellt. Bei den letzteren handelt es sich um sogenannte generative Samplingverfahren, welche ebenfalls in dieser Arbeit mit dem Prinzip des Ensemblelernens verknüpft werden. Die Ergebnisse dieser Verfahren zeigen, dass sie gegenüber Referenzverfahren aus dem Stand der Technik deutliche Vorteile bei ausgeprägter Unbalanciertheit haben und selbst bei Fällen mit sehr wenigen Daten der unterrepräsentierten Klasse eine gute Performanz erzielen.